Modo direto elevou acertos de IA em testes de matemática
Estudo preliminar de Vagner Campos comparou respostas diretas e raciocínio prolongado em 740 questões, sem alterar parâmetros do modelo.
Um experimento conduzido pelo pesquisador Vagner Campos indicou que configurar um modelo pequeno de inteligência artificial para responder diretamente elevou seu desempenho em testes de matemática. Em uma avaliação com 740 questões, o índice de acertos passou de 8% para 45,1% sem mudanças nos parâmetros internos do sistema, segundo a prévia da pesquisa SEMAIA divulgada em 7 de novembro de 2026.
O resultado é preliminar, não passou por revisão independente e ainda precisa ser repetido em outras condições. A investigação foi realizada em um computador Mac e analisa caminhos para tornar sistemas de IA mais eficientes.
Resposta direta foi comparada a raciocínio prolongado
Campos atribui parte da diferença ao que chama de repetição excessiva do raciocínio: em vez de concluir uma resposta, o modelo revisaria suas etapas repetidamente e poderia não entregar uma solução. No teste de 6 de novembro, o modo direto atingiu 45,1% de acertos, enquanto a configuração original com raciocínio prolongado ficou em 8%.
Na mesma comparação, uma versão modificada em pesquisa de pesquisadores ligados ao Instituto de Tecnologia de Massachusetts (MIT) obteve 48,4%. Em outra avaliação, o modo direto alcançou 60,5%, ante 14,9% da configuração original e 66,2% da versão modificada.
De acordo com Campos, a alteração na forma de solicitar a resposta recuperou aproximadamente 90% do ganho registrado com a intervenção mais complexa, mas não superou a versão modificada. “Eu não desliguei nenhum neurônio. Eu só reorganizei a forma de estruturação de pedido”, afirma.
Menos texto não representa economia proporcional
Na prévia da SEMAIA, o modo direto produziu de seis a nove vezes menos texto por resposta. Esse resultado não significa economia proporcional de energia ou dinheiro, mas sugere a possibilidade de reduzir processamento em determinadas tarefas, segundo o pesquisador.
Outra etapa avaliou instruções para reduzir informações inventadas por IA. Em um dos modelos, essas orientações reduziram erros em comparação com textos de controle, mas os testes foram pequenos e não permitem generalizações. Em 9 de novembro, Campos também testou uma intervenção própria no funcionamento do modelo; os resultados são descritos como promissores, porém sujeitos a validação e atualização do estudo.
O pesquisador defende que resultados de intervenções em inteligência artificial sejam comparados a alternativas mais simples, repetidos e examinados nas respostas geradas, sem depender apenas de avaliações automáticas.


